Die Evidenzlücke

Die Zahl

58 %

24 Firmenfälle auf dieser Website melden ein Ergebnis aus dem Einsatz von KI, keinen Fehlschlag. In 14 davon stammt jede Zahl vom Unternehmen selbst. In den anderen 10 stammt das Ergebnis aus einer Messung von Forschenden oder aus amtlichen Unterlagen.

Die eigene Zahl eines Unternehmens kann stimmen. Die Evidenzlücke sagt, wer die Zahl geliefert hat, nicht ob sie falsch ist. Sie zeigt, wie viel von dem, was Sie über KI-Erfolge lesen, niemand außerhalb des Unternehmens geprüft hat.

Wie sie berechnet wird

1. Nehmen Sie jeden Firmenfall auf dieser Website, der ein Ergebnis aus dem Einsatz von KI meldet: ein gemessenes Ergebnis, ein vom Unternehmen gemeldetes Ergebnis oder ein Ergebnis, das das Unternehmen später teilweise zurückgenommen hat. Das sind die Erfolgsgeschichten, so wie ihre Quellen sie darstellen. Heute sind es 24 Fälle.
2. Zählen Sie die Fälle, deren Zahlen nur vom Unternehmen stammen, ohne Studie, Gerichtsakten oder amtliche Unterlagen dahinter. Heute sind es 14.
3. Teilen Sie die zweite Zahl durch die erste und runden Sie auf ganze Prozent: 14 ÷ 24 = 58 %.

Fälle, in denen etwas schiefging, zählen nicht mit, weil sie einen Fehlschlag melden, kein Ergebnis. Heute sind es 15 der 39 Fälle.

Jede Fallseite sagt, wie der Fall ausging und wer seine Zahlen geliefert hat (die vier Etiketten). Die Zahl auf dieser Seite wird bei jeder Aktualisierung der Website aus diesen Etiketten neu berechnet.

Die Fälle dahinter

Zahlen vom Unternehmen selbst: 14 Fälle

• Ashurst: erste Entwürfe 45–80 % schneller in Versuchen mit Zeitmessung, Anwälte bei der Genauigkeit weiter vorn (Vom Unternehmen gemeldetes Ergebnis)
• Commonwealth Bank of Australia strich 45 Stellen für einen Sprachbot und sagte dann, sie seien nicht überflüssig (Teilweise zurückgenommen)
• Duolingo: 148 neue Sprachkurse in rund einem Jahr, nach 12 Jahren für die ersten 100 (Vom Unternehmen gemeldetes Ergebnis)
• EIST: ein Metallbaubetrieb mit sechs Personen verkürzte die Angebotserstellung von zwei Stunden auf zehn Minuten (Vom Unternehmen gemeldetes Ergebnis)
• Gilberts: eine kleinere Prüfungsgesellschaft begann mit der KI in vorhandenen Werkzeugen und zwei Regeln (Vom Unternehmen gemeldetes Ergebnis)
• Klarna: KI senkte die Ausgaben für externe Marketingdienstleister um ein Viertel (Vom Unternehmen gemeldetes Ergebnis)
• Klarna: ein KI-Assistent übernahm zwei Drittel der Support-Chats, dann stellte das Unternehmen wieder Menschen ein (Teilweise zurückgenommen)
• META-Regalbau: Sensoren und KI-Analyse der Kommissionierung rechneten sich in rund einem Jahr (Vom Unternehmen gemeldetes Ergebnis)
• Milkforbubs: Ein kleiner Onlineshop setzte einen fertigen Chatbot für Kundenfragen ein (Vom Unternehmen gemeldetes Ergebnis)
• Ministry of Clean: Eine Reinigungsfirma zog ihre Kundendaten aus Tabellen in ein CRM mit eingebauter KI (Vom Unternehmen gemeldetes Ergebnis)
• SAM: Eine Beratungsfirma mit zwei Personen senkte den Papierkram je Kundenakte von sechs auf zweieinhalb Stunden (Vom Unternehmen gemeldetes Ergebnis)
• Temple & Webster: Ein Onlinehändler für Möbel mit rund 200 Beschäftigten setzte KI zuerst im Kundenservice ein (Vom Unternehmen gemeldetes Ergebnis)
• Walmart: Generative KI korrigierte 850 Millionen Produktdaten (Vom Unternehmen gemeldetes Ergebnis)
• WPP: £300 Millionen im Jahr für eine KI-Plattform, und der Umsatz sank trotzdem (Vom Unternehmen gemeldetes Ergebnis)

Außerhalb des Unternehmens geprüfte Zahlen: 10 Fälle

• eBay: maschinelle Übersetzung steigerte den grenzüberschreitenden Handel um rund 11 % (Von Forschenden gemessen)
• Garfield.Law: Eine Aufsichtsbehörde ließ eine KI-gestützte Kanzlei für kleine Forderungen zu, mit Grenzen (Amtliche Unterlagen)
• Herges: ein KI-Modell schätzte Fertigungszeiten fünfmal genauer als die Fachleute des Betriebs (Amtliche Unterlagen)
• Hitachi Energy: ein KI-Modell fand die zwei Fertigungsschritte, die Chips verdarben (Von Forschenden gemessen)
• HMRC vergab 3.000 Copilot-Lizenzen per Zufall: etwa eine Stunde pro Woche gespart, nach Schätzung der Beschäftigten (Amtliche Unterlagen)
• Procter & Gamble: Eine Person mit KI leistete so viel wie ein Zweierteam ohne (Von Forschenden gemessen)
• PSG Global Solutions: KI führte die Vorstellungsgespräche, Menschen trafen die Einstellungsentscheidungen (Von Forschenden gemessen)
• Rue La La: Preisempfehlungen durch maschinelles Lernen steigerten den Umsatz in einem Test um etwa 10 % (Von Forschenden gemessen)
• Siemens: Prüfer fanden mehr Fehler, wenn die KI zeigte, was sie gesehen hatte (Von Forschenden gemessen)
• UK Department for Business and Trade: 1.000 Copilot-Lizenzen, zufriedene Nutzer, kein nachgewiesener Produktivitätsgewinn (Amtliche Unterlagen)

Grenzen

• Die Sammlung ist klein: 39 Fälle, davon melden 24 ein Ergebnis. Ein Fall mehr oder weniger verschiebt die Zahl um mehrere Prozentpunkte.
• Der Herausgeber hat die Fälle ausgewählt. Jeder ist ein namentlich genanntes Unternehmen mit einer öffentlichen Quelle. Sie sind keine Zufallsstichprobe.
• Die Zahl beschreibt diese Sammlung von Fällen, nicht alle Unternehmen, die KI nutzen. Zitieren Sie sie nicht als Anteil für eine Branche, ein Land oder eine Unternehmensgröße.
• Die meisten veröffentlichten Fälle stammen von großen Unternehmen. Kleine Firmen veröffentlichen selten Zahlen.
• Eine Erfolgsgeschichte ist hier ein Fall, der ein Ergebnis meldet, keinen Fehlschlag. Manche dieser Ergebnisse sind klein: Forschende oder amtliche Unterlagen zeigten mitunter gar keinen Gewinn.
• Die Zahl ändert sich, wenn Fälle hinzukommen oder ein anderes Etikett erhalten. Zitieren Sie sie mit ihrem Datum.

Wie Sie zitieren

Zitieren Sie die Definition und den Wert mit Datum, und verlinken Sie diese Seite:

Die Evidenzlücke ist der Anteil der KI-Erfolgsgeschichten, deren Zahlen nur vom berichtenden Unternehmen selbst stammen. Unter den Firmenfällen von ai-first.company beträgt sie 58 % (Oktober 2026).

Szczęsny, P. „Evidenzlücke“. ai-first.company, 18. Oktober 2026. Wert: 58 %. https://www.ai-first.company/de/evidence/evidence-gap/

Die Zahl und die Liste der Fälle dahinter sind offene Daten unter CC BY 4.0. Sie dürfen sie weiterverwenden, wenn Sie die Quelle nennen: „Data: CC BY 4.0, Paweł Szczęsny, ai-first.company“. Der Autor ist Dr. Paweł Szczęsny. Die Liste der Fälle gibt es auch als Download: Die Spalten outcome und figures_from ergeben die Zahl.

Verlauf des Werts

Der Wert bei jeder Änderung der Fallliste, die ihn verändert hat.

Datum	Fälle mit gemeldetem Ergebnis	Nur vom Unternehmen	Evidenzlücke
18. Oktober 2026	24	14	58 %
16. Oktober 2026	21	13	62 %